城市中心漂移论与雄安新区

在改革开放至今30多年的经济社会转型历程中,中国进入高速城市化阶段,几亿人口进入城市,这是自英国工业革命以后的200多年来,人类历史上规模空前的巨大实践,上演了一幕幕威武雄壮的话剧,其中产生的现象、特征、机制和模式等,需要总结成败得失,以启来者。

面向不同类型概念漂移的两阶段自适应集成学习方法

大数据时代,流数据大量涌现.概念漂移作为流数据挖掘中最典型且困难的问题,受到了越来越广泛的关注.集成学习是处理流数据中概念漂移的常用方法,然而在漂移发生后,学习模型往往无法对流数据的分布变化做出及时响应,且不能有效处理不同类型概念漂移,导致模型泛化性能下降.针对这个问题,提出一种面向不同类型概念漂移的两阶段自适应集成学习方法(two-stage adaptive ensemble learning method for different types of concept drift,TAEL).该方法首先通过检测漂移跨度来判断概念漂移类型,然后根据不同漂移类型,提出“过滤-扩充”两阶段样本处理机制动态选择合适的样本处理策略.具体地,在过滤阶段,针对不同漂移类型,创建不同的非关键样本过滤器,提取历史样本块中的关键样本,使历史数据分布更接近最新数据分布,提高基学习器有效性;在扩充阶段,提出一种分块优先抽样方法,针对不同漂移类型设置合适的抽取规模,并根据历史关键样本所属类别在当前样本块上的规模占比设置抽样优先级,再由抽样优先级确定抽样概率,依据抽样概率从历史关键样本块中抽取关键样本子集扩充当前样本块,缓解样本扩充后的类别不平衡现象,解决当前基学习器欠拟合问题的同时增强其稳定性.实验结果表明,所提方法能够对不同类型的概念漂移做出及时响应,加快漂移发生后在线集成模型的收敛速度,提高模型的整体泛化性能.

面向业务过程的概念漂移检测技术综述

针对业务过程随时间发生变化的概念漂移现象,研究有效的漂移检测方法,以实现变更的早期检测与管理,系统分析了业务过程概念漂移检测的现有研究,总结了目前研究实验中常用的评估指标、数据集合成方法和真实数据集,讨论了不同方法的优缺点及其适用场景,并通过实验对不同方法进行了比较。最后,对业务过程概念漂移未来的研究方向进行了展望。

非平衡概念漂移数据流主动学习方法

数据流分类研究在开放、动态环境中如何提供更可靠的数据驱动预测模型,关键在于从实时到达且不断变化的数据流中检测并适应概念漂移.目前,为检测概念漂移和更新分类模型,数据流分类方法通常假设所有样本的标签都是已知的,这一假设在真实场景下是不现实的.此外,真实数据流可能表现出较高且不断变化的类不平衡比率,会进一步增加数据流分类任务的复杂性.为此,提出一种非平衡概念漂移数据流主动学习方法 (Active learning method for imbalanced concept drift data stream, ALM-ICDDS).定义基于多预测概率的样本预测确定性度量,提出边缘阈值矩阵的自适应调整方法,使得标签查询策略适用于类别数较多的非平衡数据流;提出基于记忆强度的样本替换策略,将难区分、少数类样本和代表当前数据分布的样本保存在记忆窗口中,提升新基分类器的分类性能;定义基于分类精度的基分类器重要性评价及更新方法,实现漂移后的集成分类器更新.在7个合成数据流和3个真实数据流上的对比实验表明,提出的非平衡概念漂移数据流主动学习方法的分类性能优于6种概念漂移数据流学习方法.

HL-2A装置低频漂移波模数据库与机器学习初步研究

本文探索建立了HL-2A/3装置实验漂移波模数据库,并以此作为样本数据库,通过机器学习方法,利用人工神经网络预测托卡马克放电中漂移波模不稳定性的发生及其强度,为实现HL-2A/3等离子体实时参数控制提供参考。首先基于电子/离子温度梯度(η)、俘获电子份额(ε)、局域安全因子q和磁剪切s等4个基本参数构成的参数数据组(η,ε,q,s)作为变量,其他参数取有效的常数值,利用HD7代码计算相应模特征值数据,构建了一个低频漂移波模基本数据库。然后,基于BP神经网络与支持向量机(SVM)模型,分别进行了机器学习建模与编程实验,验证了对HL-2A装置离子温度梯度(ITG)\俘获电子模(TEM)不稳定性进行智能预测的可行性。研究结果表明,通过将参数集与数据集进一步扩充成完备数据库、并加快BP神经网络训练速度、或采用深度学习等更复杂模型,可以最终实现前述漂移波模预测目标。

基于自适应深度集成网络的概念漂移收敛方法

概念漂移是流数据挖掘领域中的一个重要且具有挑战性的难题.然而,目前的方法大多仅能够处理线性或简单的非线性映射,深度神经网络虽然有较强的非线性拟合能力,但在流数据挖掘任务中,每次只能在新得到的1个或一批样本上进行训练,学习模型难以实时调整以适应动态变化的数据流.为解决上述问题,将梯度提升算法的纠错思想引入含概念漂移的流数据挖掘任务之中,提出了一种基于自适应深度集成网络的概念漂移收敛方法(concept drift convergence method based on adaptive deep ensemble networks,CD_ADEN).该模型集成多个浅层神经网络作为基学习器,后序基学习器在前序基学习器输出的基础上不断纠错,具有较高的实时泛化性能.此外,由于浅层神经网络有较快的收敛速度,因此所提出的模型能够较快地从概念漂移造成的精度下降中恢复.多个数据集上的实验结果表明,所提出的CD_ADEN方法平均实时精度有明显提高,相较于对比方法,平均实时精度有1%~5%的提升,且平均序值在7种典型的对比算法中排名第一.说明所提出的方法能够对前序输出进行纠错,且学习模型能够快速地从概念漂移造成的精度下降中恢复,提升了在线学习模型的实时泛化性能.

基于概念漂移发现的业务过程异常检测方法

现有的业务过程异常检测方法假定业务过程固定不变,忽视因出现概念漂移而导致业务过程模型变化的情况,以致现有的异常检测方法准确率下降。提出一种使用事件日志、基于概念漂移发现的业务过程异常检测方法。构建结合概念漂移发现方法和基于循环神经网络的业务过程异常检测模型,从事件日志中提取事件序列特征数据集,使用该模型中的事件预测模块来预测事件发生的概率,根据事件发生的概率分布来计算事件日志中每个案例的异常分数。异常分数大于设定的异常评分阈值的事件所在的案例被认为是候选异常案例。使用霍夫丁不等式来判断概念漂移是否已发生,并使用双层滑动窗口机制来获取概念漂移案例的发生位置,从候选异常案例提取概念漂移案例。使用增量学习将概念漂移案例用于更新事件预测模块,使过程异常检测模型能够辨别概念漂移案例与真正异常案例,更准确地检测出真正的业务过程异常。实验结果表明,与主流的业务过程异常检测方法相比,所提异常检测方法可以较准确地发现业务过程中的概念漂移,能够更准确地检测出业务过程中发生的异常,对提高业务过程运行的平稳性有积极意义。

基于混合特征提取的流数据概念漂移处理方法

大数据时代,越来越多的数据以数据流的形式产生,由于其具有快速、无限、不稳定及动态变化等特性,使得概念漂移成为流数据挖掘中一个重要但困难的问题.目前多数概念漂移处理方法存在信息提取能力有限且未充分考虑流数据的时序特性等问题.针对这些问题,提出一种基于混合特征提取的流数据概念漂移处理方法(concept drift processing method of streaming data based on mixed feature extraction,MFECD).该方法首先采用不同尺度的卷积核对数据进行建模以构建拼接特征,采用门控机制将浅层输入和拼接特征融合,作为不同网络层次输入进行自适应集成,以获得能够兼顾细节信息和语义信息的数据特性.在此基础上,采用注意力机制和相似度计算评估流数据不同时刻的重要性,以增强数据流关键位点的时序特性.实验结果表明,该方法能有效提取流数据中包含的复杂数据特征和时序特征,提高了数据流中概念漂移的处理能力.

网络异常检测领域概念漂移问题研究综述

【目的】随着网络技术的快速发展和广泛应用,网络异常检测作为保护网络安全和维护系统正常运行的手段变得越来越重要。然而,网络中异常行为和攻击手段不断变化,给异常检测带来了新的挑战。其中,概念漂移问题是网络异常检测领域中受到广泛关注的难点之一。【方法】本综述旨在对网络异常检测领域中概念漂移问题进行研究分析和总结。与前人的研究相比,本文将专注于网络异常检测领域的流数据。【文献范围】首先,对概念漂移进行详细介绍,包括定义、产生原因和特点。通过对概念漂移的全面理解,可以为后续的检测方法提供指导。其次,系统性地介绍了概念漂移检测方法,主要包括基于统计的方法、机器学习方法和深度学习方法等,并对比了各类方法的优缺点和适用场景。最后,探讨了概念漂移在未来可能的研究方向。【结论】本文聚焦于网络异常检测领域的概念漂移问题,通过详细介绍概念漂移的定义、产生原因和特点,以及深入分析和总结针对流数据概念漂移的检测方法,为未来研究方向提供了有价值的参考和指导。

厦门海域落水集装箱漂移路径的数值模拟

对落水集装箱的受力和进水淹没过程进行分析,细化落水集装箱风致漂移系数与淹没率的线性关系。并以“SITC PYEONGTAEK”轮落水集装箱为例,结合区域海洋模式模拟的海流数据,用拉格朗日法和蒙特卡洛随机扩散相结合的粒子追踪法建立集装箱追踪模型模拟集装箱的漂移轨迹,再利用网格化统计方案对零散分布的粒子进行概率统计,分析掉落集装箱的漂移位置。通过实际案例中集装箱落水后的漂移轨迹对模型进行验证,表明该模型模拟得到的轨迹点与海上发现的漂浮集装箱点位基本吻合,说明该模型有助于快速锁定漂移区域,减少由落水集装箱带来的风险,增加航行单位对落水集装箱漂移轨迹的预测准确性,为集装箱落水港区及周边水域的通航安全提供保障。

基于动态样本选择的概念漂移自适应预测方法

概念漂移是影响流数据挖掘性能的重要因素,当前主要通过增量更新或重训练模型进行处理,但对已有知识并未充分利用.从综合利用全体样本出发,本文构建了一种基于动态样本选择的概念漂移自适应分类方法.该方法在新样本到来时进行基于局部一致性的漂移检测,在发现漂移发生时去除区域内的噪声样本,当检测到新概念出现时,对历史相似概念进行重用.最后,对区域内不同类别样本进行多代表点归纳,并同步更新预测模型.本文在含有不同漂移类型的合成数据集上进行去噪效果验证,并在真实数据集上进行预测任务.实验结果表明,该方法可以有效去除因概念漂移而形成的漂移噪声,有效提升了预测模型性能,整体预测表现优于流行的概念漂移自适应模型.

交通流数据的概念漂移探析

概念漂移在很大程度上影响着交通流预测的结果,当数据分布或属性发生了变化,而模型的参数和结构没有及时调整时,模型预测结果的准确性就会大幅度下降,甚至完全失效。研究交通流数据及特点,概念漂移及检测步骤、检测方法,对交通流数据概念漂移发现和检测模型的建立、后期调整和优化交通流预测模型具有重要意义。

激光束光斑漂移反演大气湍流各向异性实验研究

设计了两束正交激光束光斑漂移的实时影像记录系统,进行了一系列的激光束大气传输外场实验,对比研究大气湍流环境下两正交方向激光束的光斑漂移,反演研究大气湍流的各向异性。实验结果表明,近地面大气湍流具有各向异性且表现为:一、与风向相关,当激光传输路径与风向夹角很小时,其垂直和水平方向的光斑漂移量会出现较大的差异,当激光传输路径与风向正交时,其垂直和水平方向光斑漂移量基本一致。二、与实时气温相关,表现为两正交激光束的光斑漂移量统计值在垂直和水平方向的四个分量中的不均匀分配,且气温降低会使不均匀分配的强度增加。分析研究成果,本文提出大气湍流各向异性强度指数A的概念,该指数的大小可以综合性的表征大气湍流各向异性特征及其强度。

基于覆盖树的自适应均值漂移聚类算法

为解决均值漂移聚类算法聚类效果依赖于带宽参数的主观选取,以及处理密度变化大的数据集时聚类结果精确度问题,提出一种基于覆盖树的自适应均值漂移聚类算法MSCT(MeanShift based on Cover-Tree)。构建一个覆盖树数据集,在计算漂移向量过程中结合覆盖树数据集获得新的漂移向量结果KnnShift,在不同数据密度分布的数据集上都能自适应产生带宽参数,所有数据点完成漂移过程后获得聚类结果。实验结果表明,MSCT算法的聚类效果整体上优于MS、DBSCAN等算法。

专业学位研究生学术漂移治理与培养模式改革协同推进研究

协同推进专业学位研究生学术漂移治理与培养模式改革有助于研究生教育高质量发展。目前,两者协调推进仍存在以下问题:一是对于两者协同推进的认识尚需加强;二是两者协同推进的制度框架尚未完善;三是两者协同推进的管理举措缺乏落实。为此,结合高校专业学位研究生发展实际,提出如下对策:一是形成共识,推进学术漂移治理与培养模式改革协同的顶层设计;二是完善机制,构建学术漂移治理与培养模式改革协同创新机制;三是多方协同,高效落实学术漂移治理与培养模式改革协同推进的管理措施。

基于Delft3D的珠江前航道尸体模型漂移轨迹预测

为预测珠江前航道中尸体的漂移轨迹,帮助当地水警确定溺亡者尸体的具体位置,利用Delft3D构建珠江前航道水动力模型,并使用尸体模型进行了多次现场漂移试验。通过对珠江前航道表层流速进行拟合,建立了尸体模型漂移的预测模型,R^(2)为0.88。研究结果表明,珠江前航道释放的尸体模型受潮汐和径流作用沿河道做往复运动,并呈逐渐漂向下游的趋势;漂移模型验证中尸体模型的漂移速度和方向基本与潮流一致,模拟结果的误差在1 km以内,终点距离误差率小于15%;实例验证中成年女性尸体的模拟结果误差约为300 m;游船所引起的波浪力等外力导致漂移轨迹呈现出南北方向性的偏差,需要进一步提升模拟效果。该漂移模型的推导模式同样适用于其他感潮河段,可使尸体的漂移轨迹变得可测,为尸体打捞工作和警方的案件处理提供了便利和参考。

强运动环境下抗基线漂移可穿戴运动体征监测系统设计

本文针对强运动环境设计了一种可穿戴运动体征监测系统。选用ADS1292型模数转换器芯片作为心电(ECG)信号采集模块,LMT70型温度传感器芯片作为体温信号采集模块,ICM20602型6轴陀螺仪作为加速度测量模块,可穿戴于人体实现动态心电监测、体表温度采集以及运动步数和运动距离测量。针对强运动导致的基线漂移对心电信号检测的影响,设计了归一化最小均方(NLMS)自适应滤波器进行滤除。测试结果表明,本设备测试精度较高,抗基线漂移能力较强。

基于图卷积神经网络的漂移检测方法

从时间维度来看,演化是业务过程的必然性。流程挖掘中漂移检测的宗旨是找出运行日志中的变化时间点,进而划分出演化前后的不同业务过程。然而,现有漂移检测算法在执行过程中,都需要人为指定需要监控的演化特征,给用户增加了使用负担。同时,还存在准确率低和耗时较长问题。为此,提出一种基于图卷积网络的检测算法:首先,将日志轨迹转为活动图,利用图的节点信息和拓扑结构来刻画日志所有特征;接着,利用图卷积的聚合特性获取到活动图的全局特征;然后,通过增加虚拟节点来表达活动图的所有信息;最后,采用欧氏距离和k-近邻算法来检测漂移点位置。通过真实公开数据集实验测试,表明了本文方法的有效性。

概念漂移检测与适应方法综述

随着数据信息的急速增长,数据流自身特征呈现多样化,这对概念漂移处理方法的研究提出了新的要求。以往基于性能退化的检测思路无法应对标签非即时可用环境,由此推动了无标签检测方法的研究。集成与增量学习的研究推动了漂移适应方法研究的进步。分别针对标签是否即时可用两种情况对漂移检测方法进行详细分析,同时以模型组成为基础,重点从集成角度对漂移适应方法进行分析说明。针对不同思路的漂移处理方法,从核心思路、对比模型、优点与局限性等方面进行全面总结,同时将不同思路的漂移处理方法进行整体对比。给出了该领域未来的研究方向,包括噪声区分、阈值设定与指标多样化的研究。

业务过程概念漂移检测算法的质量评估框架

现有研究工作大多关注概念漂移的检测,缺少对已有漂移检测算法的质量评估。因此,为更好评估过程模型的动态变更对业务过程的影响,提出了一个用于评估业务过程中概念漂移检测算法质量的通用框架,并针对不同应用需求提出了4种评价指标。通过公开数据集和4种主流的漂移检测算法对所提评估框架以及四种评价指标进行比较分析,表明该框架具备一定的针对性与有效性,能够满足当前业务过程的实际需求。